TensorFlowでAuto MPGデータセットを使ったシーケンシャルモデルの構築方法

TensorFlowはGoogleが提供する機械学習フレームワークです。オープンソースとして公開されており、Pythonと組み合わせてアルゴリズムやディープラーニングアプリケーションなどを実装できます。研究用途から本番環境まで幅広く活用されているフレームワークです。

「tensorflow」パッケージは、Windows環境では以下のコマンドでインストールできます。

pip install tensorflow

テンソル（Tensor）はTensorFlowで扱われる基本的なデータ構造です。「データフローグラフ」と呼ばれる計算グラフのエッジ（辺）をつなぐ役割を担います。テンソルとは多次元配列またはリストそのものであり、次の3つの主要な属性によって特徴づけられます。

• ランク（Rank） − テンソルの次元数を表します。テンソルの階数、すなわち定義されたテンソルが持つ次元の数と考えることができます。

• 型（Type） − テンソルの要素に関連付けられたデータ型を表します。1次元、2次元、あるいはn次元のテンソルが存在します。

• 形状（Shape） − 行数と列数の組み合わせを表します。

回帰問題の目的は、価格や確率、雨が降るかどうかといった連続値または離散値の出力を予測することです。ここで使用するデータセットは「Auto MPG」データセットです。このデータセットには1970年代〜1980年代の自動車の燃費データが収録されており、重量、馬力、排気量などの属性が含まれています。これらの情報をもとに、特定の車両の燃費効率を予測します。

以下のコードはGoogle Colaboratory上で実行しています。Google Colab（Colaboratory）を利用すると、ブラウザ上でPythonコードを実行でき、事前の設定は一切不要で、GPU（グラフィックス処理装置）にも無料でアクセスできます。ColaboratoryはJupyter Notebookをベースに構築されています。以下がコードスニペットです。

サンプルコード

def build_compile_model(norm):
    model = keras.Sequential([
      norm,
      layers.Dense(64, activation='relu'),
      layers.Dense(64, activation='relu'),
      layers.Dense(1)
    ])
    model.compile(loss='mean_absolute_error',
    optimizer=tf.keras.optimizers.Adam(0.001))
    return model

print("The model is being built and compiled")
dnn_horsepower_model = build_compile_model(horsepower_normalizer)
print("The statistical summary is being computed")
dnn_horsepower_model.summary()

コード出典：https://www.tensorflow.org/tutorials/keras/regression

出力結果

解説

• 「build_compile_model」という名前の関数を定義し、シーケンシャルモデルを構築して3つのDense層（全結合層）を生成します。

• モデルをコンパイルしたうえで、そのモデルを関数の戻り値として返します。

• 「summary」メソッドを使用して、モデルの統計的な概要（レイヤー構成やパラメータ数など）をコンソールに表示します。